Efecto de distribuciones a priori en los diseños D-óptimos Bayesianos para un modelo no lineal correlacionado
Resumen
En la práctica pueden surgir complicaciones a la hora de construir diseños óptimos para modelos de regresión no lineales, uno de los grandes problemas se evidencia cuando las observaciones son correlacionadas, debido a que éstas son tomadas de un mismo individuo, objeto o unidad experimental. Al momento de utilizar el criterio de D-optimalidad este depende tanto del vector de parámetros del modelo como de la estructura de correlación supuesta para el término de error. Una forma de evitar esta dependencia es mediante la inclusión de distribuciones a priori en el criterio de D-optimalidad. En este artículo se estudia el efecto que tiene la escogencia de diferentes distribuciones a priori, tales como las distribuciones Uniforme, Gamma y Log normal en la obtención de los diseños D-óptimos para un modelo no lineal, cuando los errores presentan diferentes estructuras de correlación. Se hallan los diseños al maximizar el criterio de D-optimalidad aproximado por el método de Monte Carlo. Además, se propone una metodología general que permite hallar diseños D-óptimos para cualquier tipo de modelo no lineal en presencia de observaciones correlacionadas. Finalmente, se propone comparar los diseños encontrados mediante el cálculo de las eficiencias tomando como diseño de referencia el obtenido con la distribución a priori Uniforme. Se aplica la metodología establecida en un caso de estudio, y se concluye que los diseños obtenidos dependen tanto de la estructura de correlacióncomo de la distribución a priori considerada.
Palabras clave
Diseño D-óptimo, Modelos no lineales, Estructura de correlación, Matriz de Información de Fisher, Distribuciones a priori
Referencias
[1] J. Kiefer, “Optimum experimental designs”, Journal of the Royal Statistical Society. Series B (Methodological), pp. 272-319, 1959.
[2] J. Kiefer and J.Wolfowitz, “The equivalence of two extremum problems”, Canadian Journal of Mathematics, vol. 12, no. 5, pp. 363-365, 1960.
[3] V. Fedorov, “Theory of Optimal Experiments”, Academic Press, 1972.
[4] F. Pukelsheim, “Optimal design of experiments”, SIAM, vol. 50, 1993.
[5] G. E. Box and H. Lucas, “Design of experiments in non-linear situations”, Biometrika, vol. 46, no. 1/2, pp. 77-90, 1959.
[6] G. E. Box and W. G. Hunter, “Sequential design of experiments for nonlinear models. In Proceedings IBM Scientific Computing Symposium: Statistics”, pp. 113-137, 1965.
[7] H. Chernoff, “Locally optimal designs for estimating parameters”, Annals of Mathematical Statististics, no. 24, pp. 586-602, 1953.
[8] I. Ford, B. Torsney, and C. F. J. Wu, “The use of a canonical form in the construction of locally optimal designs for nonlinear problems”, Annals of Mathematical Statististics, vol. 54, no. 2, pp. 569-583, 1992.
[9] T. E. O'Brien, “A note on quadratic designs for nonlinear regression models”, Biometrika, vol. 79, no. 4, pp. 847-849, 1992.
[10] H. Dette, V. B. Melas, and W. K. Wong, “Optimal design for goodness-of-fit of the michaelis menten enzyme kinetic function”, Journal of the American Statistical Association, vol. 100, no. 472, pp. 1370-1381, 2005.
[11] L. Pronzato and É. Walter, “Robust experiment design via stochastic approximation”, Mathematical Biosciences, vol. 75, no. 1, pp. 103-120, 1985.
[12] K. Chaloner and K. Larntz, “Optimal bayesian design applied to logistic regression experiments”, Journal of Statistical Planning and Inference, no. 21, pp. 191-208, 1989.
[13] A. Pázman, “Criteria for optimal design of small-sample experiments with correlated observations”, Kybernetika, vol. 43, no. 4, pp. 453-462, 2007.
[14] D. Ucinski and A. Atkinson, “Experimental design for time-dependent models with correlated observations”, Studies in Nonlinear Dynamics and Econometrics, vol. 8, no. 2, 2004.
[15] M. Amo-Salas, J. López-Fidalgo, and V. López-Ríos, “Optimal designs for two nested pharmacokinetic models with correlated observations”, Communications in Statistics-Simulation and Computation, vol. 41 ,no. 7, pp. 944-963, 2012.
[16] S. Campos-Barreiro and J. López-Fidalgo, “Doptimal experimental designs for a growth model applied to a holstein-friesian dairy farm”, Statistical Methods and Applications, vol. 24, no. 3, pp. 491- 505, 2015.
[17] D. A. Ratkowsky, “Nonlinear Regression Modeling: A Unifed Practical Approach”, Marcel Dekker, 1983.
[18] A. Atkinson, A. Donev, and R. Tobias, “Optimum experimental designs, with SAS”, Oxford University Press, vol. 34, 2007.
[19] W. G. Müller, L. Pronzato, J. Rendas, and H. Waldl, “Efficient prediction designs for random fields”, Applied stochastic models in business and industry, vol. 31, no. 2, pp. 178-194, 2015.
[20] A. Zhigljavsky, H. Dette, and A. Pepelyshev, “A new approach to optimal design for linear models with correlated observations”, Journal of the American Statistical Association, vol. 105, no. 491, pp. 1093-1103, 2010.
[21] S. Huet, A. Bouvier, M.-A. Poursat, and E. Jolivet, “Statistical Tools for Nonlinear Regression: A Practical Guide with S-PLUS and R Examples”, Springer Science and Business Media, 2004.
[22] C. D. Correa Álvarez, “Búsqueda de diseños cuasi-óptimos eficientes a partir de un diseño D-óptimo para observaciones correlacionadas espacialmente”, Universidad Nacional de Colombia Sede Medellín.
[23] R Core Team. R: “A Language and Environment for Statistical Computing”, R Foundation for Statistical Computing, Vienna, Austria, 2018.
[24] S. E. Rosenbaum, “Basic pharmacokinetics and pharmacodynamics: An integrated textbook and computer simulations”, John Wiley and Sons, 2016.